L’estimation de modèles de régression linéaire autorégressifs avec erreurs résiduelles autocorrélées et erreurs sur les variables
Notice bibliographique
Résumé
Nous présentons, pour des modèles de séries chronologiques, une méthode d’estimation qui tient compte de la présence d’erreurs de mesure sur les données, lorsque ces erreurs ne sont pas autocorrélées. L’approche suggérée utilise des valeurs décalées des variables indépendantes comme variables instrumentales. Nous employons l’estimateur convergent proposé par Fuller (1987) et comparons analytiquement les erreurs quadratiques moyennes de cet estimateur avec celles d’un estimateur similaire qui ne tiendrait pas compte des erreurs de mesure. Finalement, nous rapportons, à partir d’un échantillon de 150 observations, les résultats d’études de Monte Carlo sur ces deux estimateurs ainsi que sur un estimateur alternatif qui est une somme pondérée des deux premiers. Ces expériences montrent que l’estimateur alternatif semble relativement mieux se comporter. On constate également que l’inconvénient de la présence d’erreurs sur les variables n’est pas seulement de biaiser les estimateurs des coefficients ou d’accroître les erreurs quadratiques moyennes, mais également de sous-estimer considérablement le niveau des erreurs de type I des tests de signification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».